محمدرضا خالقی - دانشگاه آزاد اسلامی پردیس علوم و تحقیقات شاهرود گروه مهندسی کامپیوتر شاهرود ایران
میثم یداله زاده طبری - گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد بابل ایران

لکنت به عنوان شایعترین اختلال کلامی، یکی از بهترین موضوعات در زمینه پژوهشهای میان رشتهای است .برای تشخیص و دستهبندی لکنت در گفتار عادی روشهای مختلفی مورد استفاده قرار گرفته است که از جمله آن میتوان به استفاده از شبکه های عصبی مصنوعی (ANN) ، مدل مخفی مارکوف (HMM) و ماشین بردار پشتیبان (SVM) اشاره کرد .در اینجا ما از SVM استفاده کردهایم، چرا که استفاده از ANN ها یا HMM ها، نیازمند دادههایی برای آموزش و آزمون هستند، اما روش پیشنهادی ما بسیار سریعتر و با دقت بهتری دادهها را از هم تفکیک میکرد و در دسته های .مربوطه قرار میداد .سیستم پیشنهادی ما شامل 5 مرحله . 1 :دریافت سیگنال نمونه، . 2 پیش پردازش سیگنال نمونه، 3 محاسبه ویژگیهای مورد نیاز، . 4 استخراج ویژگی و . 5 دستهبندی نمونه به کلاس مناسب .برای استخراج ویژگی از روشهای مختلفی از جمله معیار مل با ضرایب کپستروم (MFCC) استفاده کردیم .برخی از ویژگیهای مورد استفاده نیز عبارت بودند از Max FFT : ،Kurtosis ، Skewness و ... برای تصمیمگیری و دستهبندی، از SVM و روش تحلیل تفکیک خطی (LDA) استفاده کردیم تا ویژگیهای اضافی را حذف کرده و بیشترین بازده را از آن بگیریم .برای این کار از 20 نمونه برچسبدار که از 10 فرد عادی بهصورت تصادفی و 10 فرد لکنتدار که به مراکز گفتار درمانی برای معالجه مراجعه میکردند استفاده شد .بهترین نتیجه و تفکیک برای ویژگی . Max FFT با دقت % 100 به دست آمد

تشخیص لکنت ، مدل مخفی مارکوف ، شبکه عصبی مصنوعی ، ماشین بردارپشتیبان ، تحلیل تفکیک کننده خطی